近年来，山林防火安全事件层出不穷，而秋冬季节也正是每年山林火灾的高发时节。如果机器学习模型能够在火灾发生时提前预测火势蔓延的路径，甚至在火灾真正发生前就发出预警，人类就能通过人工智能将“天灾人祸”的影响降到最低。
医学期刊《柳叶刀》发布的报告指出，全球每年约有3.3万人因短期吸入山林火灾烟雾死亡。控制山林火灾并减小其带来的危害已迫在眉睫。
一家全球领先的安全及航空航天公司正设法通过计算机视觉应用增强其扑灭野火的能力。他们正在训练机器学习模型支持决策系统跟踪野火的预测路径。
人工智能受人启发、由人创造，最重要的是，它会对人们的生活以及人类社会产生切实的影响。
——李飞飞 人工智能及计算机视觉领域著名学者
挑战
“是否具备足够大规模的高质量数据用于模型评估？”
模型作为一种决策支持工具，其预测能力的好坏至关重要。这些预测结果用于确定火灾下一步可能蔓延到哪里、蔓延速度、对不同地形的影响，以及如何最有效地部署资源、在哪里部署最为有效。
研发团队需要通过大规模准确、高质量的数据训练算法，确保山林火灾的预测模型奏效。支持模型训练的数据类型包括复杂的EO/IR（光电/红外）数据以及来自地面和空中系统的多个传感器的热力图。该模型需要融合不同类型的数据集将地形、燃烧物、风向、风速和火灾位置的实时监测情况纳入模型设计。
解决
通过计算机视觉技术，研发团队将多种传感器进行集成，使标识符在多个数据集里保持一致。澳鹏Appen平台提供多边形等特定形状的标注、像素遮罩和边界框标注等功能。通过这些不同角度的标注，助力模型研发团队提取图像中最重要的特征。
另一个关键特征是静态数据，利用它可以极大地降低风险。其中，最大的好处是能够在初始存储点标注数据，而不必将其迁移到第三方工具中。这样做不仅能节省大量时间，还能协助团队全面保管和控制数据。
成果
通过Appen与数据科学家的通力合作，将山林火灾的防控预警工作不断完善。平台能够接受大量的数据类型，这使得一些以前从未触及的数据源也能够得以利用。在MLOps方面，通过跟踪项目指标，支持和改进模型性能以及训练数据的标注精度，从而帮助提升模型置信度。